최근 자율주행 차량이 상용화되며 탑승자가 멀미를 느낄 가능성이 증가하였다. 이러한 멀미 증상의 수준을 평가하고 예측하기 위해 다양한 연구가 수행되어 왔으나, 자율주행 환경을 모사한 시뮬레이터 환경에서 멀미를 기계학습 모델을 통해 평가하고 예측한 연구는 부족한 실정이다. 본 연구의 목표는 시뮬레이터 환경에서 유발된 실험 참가자의 멀미를 ...
최근 자율주행 차량이 상용화되며 탑승자가 멀미를 느낄 가능성이 증가하였다. 이러한 멀미 증상의 수준을 평가하고 예측하기 위해 다양한 연구가 수행되어 왔으나, 자율주행 환경을 모사한 시뮬레이터 환경에서 멀미를 기계학습 모델을 통해 평가하고 예측한 연구는 부족한 실정이다. 본 연구의 목표는 시뮬레이터 환경에서 유발된 실험 참가자의 멀미를 생체신호 기반 기계 학습 모델을 통해 평가하는 것에 있다. 본 연구에서는 시뮬레이터 환경에서 5 초 간격의 전후방 및 좌우 감가속을 통해 최대 30 분 동안 멀미를 유발하였다. 멀미를 평가하기 위해 5 분 간격으로 심전도, 위전도, 피부전도도, 호흡, 피부 온도를 평가하였으며, 설문 조사를 통해 실험 참가자의 멀미 수준을 평가하였다. 멀미 유발 자극을 적용하기 전, 5 분 동안 평가한 생체신호와 설문조사 결과를 기준으로 변화율을 평가하였으며, 유의수준 0.05에서 Paired t-test를 진행하였다. 멀미 유발 자극을 적용한 직후부터 즉각적으로 멀미 증상이 나타나기 시작했으며, 이후 선형적으로 증가하는 추세가 나타났다. 멀미가 유발되면 교감신경계 활성도가 증가하고, 부교감 신경계 활성도가 감소하는 경향이 나타나는데, 본 연구에서 평가한 생체신호에서도 유사한 추세가 나타났다. 설문조사 결과와 생체신호 결과 간의 상관 계수를 분석한 결과, ±0.2 이하의 선형성이 나타났다. 이러한 점을 고려하여, 실험 참가자의 생체신호를 통해 멀미를 실시간으로 예측하기 위한 비선형 기계학습 모델을 설계하였으며, 본 모델의 최적의 매개변수(C:26.5, γ:1.0)를 2번의 교차 검증을 통해 선정하였다. 모델의 정확도와 재현성을 검증하기 위해 새로운 실험 참가자들을 대상으로 멀미를 평가하였다. 평가 결과, 83.62점으로 높은 수준의 정확도가 나타났다. 이를 통해, 본 연구에서 제안하는 시뮬레이터 환경에서의 기계학습 기반 멀미 평가 방법의 재현성을 검증하였다.
최근 자율주행 차량이 상용화되며 탑승자가 멀미를 느낄 가능성이 증가하였다. 이러한 멀미 증상의 수준을 평가하고 예측하기 위해 다양한 연구가 수행되어 왔으나, 자율주행 환경을 모사한 시뮬레이터 환경에서 멀미를 기계학습 모델을 통해 평가하고 예측한 연구는 부족한 실정이다. 본 연구의 목표는 시뮬레이터 환경에서 유발된 실험 참가자의 멀미를 생체신호 기반 기계 학습 모델을 통해 평가하는 것에 있다. 본 연구에서는 시뮬레이터 환경에서 5 초 간격의 전후방 및 좌우 감가속을 통해 최대 30 분 동안 멀미를 유발하였다. 멀미를 평가하기 위해 5 분 간격으로 심전도, 위전도, 피부전도도, 호흡, 피부 온도를 평가하였으며, 설문 조사를 통해 실험 참가자의 멀미 수준을 평가하였다. 멀미 유발 자극을 적용하기 전, 5 분 동안 평가한 생체신호와 설문조사 결과를 기준으로 변화율을 평가하였으며, 유의수준 0.05에서 Paired t-test를 진행하였다. 멀미 유발 자극을 적용한 직후부터 즉각적으로 멀미 증상이 나타나기 시작했으며, 이후 선형적으로 증가하는 추세가 나타났다. 멀미가 유발되면 교감신경계 활성도가 증가하고, 부교감 신경계 활성도가 감소하는 경향이 나타나는데, 본 연구에서 평가한 생체신호에서도 유사한 추세가 나타났다. 설문조사 결과와 생체신호 결과 간의 상관 계수를 분석한 결과, ±0.2 이하의 선형성이 나타났다. 이러한 점을 고려하여, 실험 참가자의 생체신호를 통해 멀미를 실시간으로 예측하기 위한 비선형 기계학습 모델을 설계하였으며, 본 모델의 최적의 매개변수(C:26.5, γ:1.0)를 2번의 교차 검증을 통해 선정하였다. 모델의 정확도와 재현성을 검증하기 위해 새로운 실험 참가자들을 대상으로 멀미를 평가하였다. 평가 결과, 83.62점으로 높은 수준의 정확도가 나타났다. 이를 통해, 본 연구에서 제안하는 시뮬레이터 환경에서의 기계학습 기반 멀미 평가 방법의 재현성을 검증하였다.
As autonomous vehicles have recently been commercialized, the likelihood of passengers experiencing motion sickness(MS) has increased. Various studies have been conducted to assess and predict MS. However, studies assessing and predicting MS occurring in a simulator similar to an autonomous driving ...
As autonomous vehicles have recently been commercialized, the likelihood of passengers experiencing motion sickness(MS) has increased. Various studies have been conducted to assess and predict MS. However, studies assessing and predicting MS occurring in a simulator similar to an autonomous driving environment through machine learning(ML) models are lacking. This study aims to assess motion sickness induced in the driving simulator through a biosignals-based machine learning model. To induce MS in the participants, Pitch & Roll motion (PRM) at intervals of 5 seconds was applied in the simulator for up to 30 minutes. In order to assess MS, biosignals such as ECG(Electrocardiogram), EDA(Electrodermal Activity), EGG(Electrogastrogram), Respiration, SKT(Skin temperature), and Simulator Sickness Questionnaire(SSQ) were evaluated. The rate of change was evaluated based on the biosignals and SSQ results for 5 minutes before PRM application. Paired t-test was performed at the significance level of 0.05. As soon as PRM was applied, symptoms of MS began to appear immediately and tended to increase linearly. When motion sickness is induced, the sympathetic nervous system(SNS) activity increases, but the parasympathetic nervous system(PNS) activity decreases. A similar trend was also observed in the biosignals evaluated in this study. From the results of evaluating the correlation coefficient between the Total Sickness Score(TSS) measured through SSQ and the parameters analyzed through the biosignals, the linearity was less than ±0.2. A nonlinear ML model was designed to predict MS in real-time through biosignals. The optimal parameters (C:26.5, γ:1.0) of the model were selected through two cross-validations. To verify the model's accuracy and reproducibility, MS occurred in new participants was evaluated. As a result, the model showed a high level of accuracy with 83.62 points.
As autonomous vehicles have recently been commercialized, the likelihood of passengers experiencing motion sickness(MS) has increased. Various studies have been conducted to assess and predict MS. However, studies assessing and predicting MS occurring in a simulator similar to an autonomous driving environment through machine learning(ML) models are lacking. This study aims to assess motion sickness induced in the driving simulator through a biosignals-based machine learning model. To induce MS in the participants, Pitch & Roll motion (PRM) at intervals of 5 seconds was applied in the simulator for up to 30 minutes. In order to assess MS, biosignals such as ECG(Electrocardiogram), EDA(Electrodermal Activity), EGG(Electrogastrogram), Respiration, SKT(Skin temperature), and Simulator Sickness Questionnaire(SSQ) were evaluated. The rate of change was evaluated based on the biosignals and SSQ results for 5 minutes before PRM application. Paired t-test was performed at the significance level of 0.05. As soon as PRM was applied, symptoms of MS began to appear immediately and tended to increase linearly. When motion sickness is induced, the sympathetic nervous system(SNS) activity increases, but the parasympathetic nervous system(PNS) activity decreases. A similar trend was also observed in the biosignals evaluated in this study. From the results of evaluating the correlation coefficient between the Total Sickness Score(TSS) measured through SSQ and the parameters analyzed through the biosignals, the linearity was less than ±0.2. A nonlinear ML model was designed to predict MS in real-time through biosignals. The optimal parameters (C:26.5, γ:1.0) of the model were selected through two cross-validations. To verify the model's accuracy and reproducibility, MS occurred in new participants was evaluated. As a result, the model showed a high level of accuracy with 83.62 points.
주제어
#자율주행 멀미 기계 학습 생체신호 자율신경계 Autonomous driving Motion sickness(MS) Machine learning Biosignals Autonomic nervous system(ANS)
학위논문 정보
저자
박승원
학위수여기관
연세대학교 대학원
학위구분
국내석사
학과
의공학
지도교수
김한성
발행연도
2021
총페이지
viii, 59장
키워드
자율주행 멀미 기계 학습 생체신호 자율신경계 Autonomous driving Motion sickness(MS) Machine learning Biosignals Autonomic nervous system(ANS)
※ AI-Helper는 부적절한 답변을 할 수 있습니다.